时空知识图谱完成的粒度表示学习

时空知识图谱 (TKG) 融合了时间信息，以反映真实世界事实的动态结构知识和演化模式。然而，TKG 因数据不完整性问题仍受限于下游应用。因此，TKG 完成（即链接预测）受到广泛关注，近期研究聚焦于融合时间的独立嵌入或与实体和关系组合以形成时空表示。然而，大多数现有方法忽略了从多粒度角度考察历史的影响。人类定义的时空粒度（如有序日期）揭示了事实通常遵循的普遍模式。为此，本文提出学习粒度表示 (termed $\mathsf{LGRe}$) 用于 TKG 完成。其包含两个主要组件：粒度表示学习 (GRL) 和自适应粒度平衡 (AGB)。具体而言，GRL 使用时间特定的多层卷积神经网络在不同粒度上捕获实体与关系之间的相互作用。随后，AGB 根据时空语义生成这些嵌入的自适应权重，从而生成对预测的富有表现力的表示。此外，引入时空损失函数以反映相邻时间戳的类似语义。广泛的实验结果在四个事件基准数据集上表明 $\mathsf{LGRe}$ 在学习时空相关表示方面有效。为确保可重复性，我们的代码已公开于 https://github.com/KcAcoZhang/LGRe。